Diagnosis kerusakan bearing merupakan aspek penting dalam pemeliharaan prediktif dan perawatan mesin. Rotating machinery adalah salah satu kelas peralatan mekanis yang paling umum dan memainkan peran penting dalam aplikasi industri. Bearing adalah salah satu bagian terpenting dari rotating machinery dengan tingkat kerusakan yang tinggi, dan kondisi kerjanya secara langsung memengaruhi kinerja seluruh peralatan. Sebagai salah satu komponen kunci dalam rotating machinery, kesehatan bearing secara langsung mempengaruhi kinerja peralatan mekanis. Biasanya, hal itu tidak dapat didiagnosis secara langsung karena lingkungan kerja bearing. Penelitian ini bertujuan untuk mendiagnosis dan mengklasifikasikan jenis kerusakan bearing berdasarkan data vibrasi yang diperoleh dari sensor mesin. Klasifikasi kerusakan dibedakan menjadi 4 yaitu normal, inner fault, outer fault, dan roller fault. Data vibrasi yang diambil berasal dari bearing ER16K yang telah sengaja dirusak. Data vibrasi yang diambil masih berupa time domain signal sehingga perlu diubah ke dalam bentuk dua dimensi. Proses konversi sinyal diperlukan untuk menghasilkan gambar yang digunakan sebagai input pada kecerdasan buatan. Data gambar dipisah menjadi data pelatihan dan data validasi. Metode kecerdasan buatan yang digunakan dalam proyek akhir ini yaitu Convolution Neural Network (CNN) dengan input gambar 2D sebanyak 448 pada keempat kondisi bearing. Hasil klasifikasi kerusakan bearing menggunakan CNN mencapai akurasi training sebesar 99,11% dan akurasi validasi sebesar 99%. Hasil ini menunjukkan efektivitas penggunaan CNN untuk klasifikasi kerusakan bearing yang dapat memberikan kontribusi pada bidang pemeliharaan prediktif dan pemantauan kondisi di beragam lingkungan industri.